EO

2012
Desarrollo de aplicaciones prcticas a diferentes campos mediante la Programacin Lineal

GRUPO1
INTEGRANTES:
ZARATE SIERRA, JACK ZAVALA AlVAN, MARVIN

LLOPEZ GUARDAMINO, PEDRO PROFESOR: ALEX CRUZ HUALPARA. FACULTAD: MATEMTICA

CURSO: OPTIMIZACION

22/07/2012

DEDICATORIA

Este trabajo en primer lugar se lo queremos dedicar a Dios, que durante todo este tiempo nos estuvo acompaando, iluminando y guindonos para llegar a nuestro objetivo. A nuestro profesor que con su dedicacin, paciencia y profesionalismo nos dirigi durante todo este trayecto, con el objetivo de ensearnos e instruirnos para nuestro futuro.

OPTIMIZACION

INTRODUCCION
El siguiente trabajo monogrfico est orientado a desarrollar ms a profundidad el tema de Programacin Lineal, ya que no solamente se trata de aprenderse mecnicamente las formulas de las diferentes formas de soluciones, el propsito de este trabajo es analizar las variables y los coeficientes a utilizarse. Este tipo de problemas presentan una gran facilidad en su formulacin y son aplicables en distintas disciplinas (su e mpl eo es f rec uent e en ap lic acion es de la ind ust ria, la e co no m a, l a est rat e gia mil it ar, et c) La simplicidad de su planteamiento debida a la linealidad, ha permitido desarrollar algoritmos para su resolucin que han sido implementados en paquetes informticos desde hace algunas dcadas Un problema de programacin lineal es un problema de optimizacin con restricciones de igualdad y desigualdad con la particularidad de tener; tanto la funcin objetivo, como las funciones que definen las restricciones todas ellas lineales. La resolucin de esta clase de problemas se conoce desde 1947 y es debida a G. B. Dantzing.

OPTIMIZACION

Historia de la programacin lineal El problema de la resolucin de un sistema lineal de inecuaciones se remonta, al menos, a Joseph Fourier, despus de quien nace el mtodo de eliminacin de Fourier-Motzkin. La programacin lineal se plantea como un modelo matemtico desarrollado durante la Segunda Guerra Mundial para planificar los gastos y los retornos, a fin de reducir los costos al ejrcito y aumentar las prdidas del enemigo. Se mantuvo en secreto hasta 1947. En la posguerra, muchas industrias lo usaron en su planificacin diaria. Los fundadores de la tcnica son George Dantzig, quien public el algoritmo simplex, en 1947, John von Neumann, que desarroll la teora de la dualidad en el mismo ao, y Leonid Kantorvich, un matemtico ruso, que utiliza tcnicas similares en la economa antes de Dantzig y gan el premio Nobel en economa en 1975. En 1979, otro matemtico ruso, Leonid Khachiyan, dise el llamado Algoritmo del elipsoide, a travs del cual demostr que el problema de la programacin lineal es resoluble de manera eficiente, es decir, en tiempo polinomial.2 Ms tarde, en 1984, Narendra Karmarkar introduce un nuevo mtodo del punto interior para resolver problemas de programacin lineal, lo que constituira un enorme avance en los principios tericos y prcticos en el rea. El ejemplo original de Dantzig de la bsqueda de la mejor asignacin de 70 personas a 70 puestos de trabajo es un ejemplo de la utilidad de la programacin lineal. La potencia de computacin necesaria para examinar todas las permutaciones a fin de seleccionar la mejor asignacin es inmensa (factorial de 70); el nmero de posibles configuraciones excede al nmero de partculas en el universo. Sin embargo, toma slo un momento encontrar la solucin ptima mediante el planteamiento del problema como una programacin lineal y la aplicacin del algoritmo simplex. La teora de la programacin lineal reduce drsticamente el nmero de posibles soluciones ptimas que deben ser revisadas.

OPTIMIZACION

CONCEPTOS: Programacin Lineal (PL) Se llama programacin lineal al conjunto de tcnicas matemticas que pretenden resolver la siguiente situacin. El objetivo es Optimizar, una funcin objetivo, lo cual implica maximizar o minimizar una funcin lineal de varias variables sujeta a: una serie de restricciones limitaciones, expresadas por inecuaciones ecuaciones lineales. Como se mencion anteriormente la Funcin Objetivo se encuentra sujeta a un conjunto de restricciones limitaciones como puede ser limitaciones al uso de un recurso, como ejemplo podemos citar limitaciones a materia prima materiales, horas de trabajo, mano de obra, dinero disponible, etc. Este tipo de problemas se los conoce como problemas de decisin que a la vez se pueden expresar en forma matemtica, aquellos problemas donde la funcin objetivo y las restricciones se expresan como ecuaciones o desigualdades lineales se llaman problemas de programacin lineal. Un problema es lineal porque su funcin objetivo y restricciones que se imponen al sistema son lineales, quiere decir que cumplen con las propiedades de Proporcionalidad y Aditividad.

Proporcionalidad: El valor de cada variable, X1, X2..Xn debe ser directamente proporcional en la funcin objetivo y uso de los recursos, o sea que las variaciones de las variables deben afectar en forma proporcional a la funcin objetivo y al conjunto de restricciones.

Aditividad: Requiere que la funcin objetivo sea la suma directa de las contribuciones de cada variable y las restricciones deben ser la suma de los usos individuales de cada variable del recurso correspondiente. Como ejemplo podemos mencionar dos productos que compiten en el mercado, si el aumento en la venta de uno de ellos hace que la venta del otro sea menor, entonces ambos productos no satisfacen la condicin de aditividad.

OPTIMIZACION

Componentes bsicos de la programacin lineal: Variables: Las variables son nmeros reales mayores o iguales a cero.

Restricciones: Las restricciones pueden ser de la forma: Tipo 1:

Tipo 2:

Tipo 3:

Donde: A: valor conocido a ser respetado estrictamente B: valor conocido que debe ser respetado o puede ser superado C: valor conocido que no debe ser superado j= 1,2,3,,m (nmero total de restricciones) i=1,2,3,,n X: variables incgnitas

OPTIMIZACION

Formulacin de un programa lineal: Formas Estndar y Cannica Un programa lineal se presenta en forma estndar cuando todas sus restricciones son de igualdad y sus variables son no negativas. Min (mx.): Sujeto a: c1x1 + c2x2 +..+ cnxn a11x1 + a12x2 +..+ a1nxn = b1 a21x1 + a22x2 +..+ a2nxn = b2

am1x1 + am2x2 +..+ amnxn = bm x1, x2, x3,., xn0

Un programa lineal se presenta en forma cannica cuando todas sus restricciones son de desigualdad y sus variables son no negativas. Para el caso de minimizacin se tiene:

Min:

c1x1 + c2x2 +..+ cnxn

Sujeto a:

a11x1 + a12x2 +..+ a1nxn b1 a21x1 + a22x2 +..+ a2nxn b2

am1x1 + am2x2 +..+ amnxn bm x1, x2, x3,., xn0

OPTIMIZACION

Para el caso de maximizacin se tiene:

Max: Sujeto a: c1x1 + c2x2 +..+ cnxn a11x1 + a12x2 +..+ a1nxn b1 a21x1 + a22x2 +..+ a2nxn b2

am1x1 + am2x2 +..+ amnxn bm x1, x2, x3,., xn0

Mtodos de resolucin de una programacin lineal: Mtodo grafico: El procedimiento grfico comienza elaborando una grfica que muestre las soluciones posibles (valores X1 y X2). La grfica tendr valores los valores X1 en el eje horizontal y los valores X2 en el eje vertical. El procedimiento para hallar la solucin grfica consiste en lo siguiente:

Para cada inecuacin del sistema de restricciones (medio espacio cerrado) se toma la recta correspondiente y se determinan los interceptos con la grfica. Si la recta pasa por el origen del eje de coordenadas, el trmino independiente es cero, entonces se traza la recta tomando el origen y otro punto determinado dando un valor arbitrario a una de las variables. Para determinar los puntos que satisfacen cada inecuacin se sustituye un punto cualquiera del espacio (se recomienda el origen cuyas coordenadas son (0,0)), y de esta forma se determina si los puntos que satisfacen la misma estn hacia el lado que est el origen o hacia el lado contrario, sealando con una flecha ese lado. Cuando la recta pasa por el origen entonces se toma otro punto cualquiera pero que sean sencillos los valores de sus coordenadas, por ejemplo, ( 0,1) , (1,0 ), (1,1), etc. Luego se determina la regin solucin que es la regin del plano que satisface todas las restricciones al mismo tiempo y que debe estar en el primer cuadrante. La figura formada es un poliedro convexo que tiene un conjunto de puntos extremos. Se busca el punto ptimo entre el conjunto de puntos extremos. Para eso se sustituye cada par de puntos (X1, X2) de los puntos extremos en la funcin objetivo y se calcula el valor de Z. Si se est maximizando el valor de la misma, el punto ptimo ser aquel que proporcione el valor mayor para Z y si el criterio de optimizacin es de minimizar, entonces el punto ptimo ser aquel que proporcione el valor mnimo de Z. Una desventaja del mtodo grafico es que generalmente es aplicable para 2 variables.

OPTIMIZACION

Ej.: Max: Z= 20x + 25y

Sujeto a: 3x + 2y 12 x + 2y 8 x, y0 La regin factible seria:

Solucin: Z(0, 0) = 20(0) + 25(0) = 0 Z (0, 4) = 20(0) + 25(4) = 100 Z(2, 3) = 20(2) + 25(3) = 115 Z(4, 0) = 20(4) + 25(0) = 80 Los valores ptimos son: Valor Optimo: 115 Vrtice Optimo: (2,3)

OPTIMIZACION

Mtodo matricial: (Bsqueda exhaustiva de soluciones bsicas) Representemos la P.L.:

Min (mx.): Sujeto a:

c1x1 + c2x2 +..+ cnxn a11x1 + a12x2 +..+ a1nxn = b1 a21x1 + a22x2 +..+ a2nxn = b2

am1x1 + am2x2 +..+ amnxn = bm x1, x2, x3,., xn0 Consideremos: CT= (c1, c2,., cn) XT= (x1, x2,., xn) BT= (b1, b2,., bm) A= Podemos escribir dicho programa como:

Min (mx.): CTX Sujeto a: AX = B X0 Sea: P1= ; P2= ; . ; Pn=

Si Rang(A)= Rang(A, B)= m y si Ab es una matriz cuadrada de orden m no singular (Ab es inversible; significa que las columnas de A son l.i.) . Xb= Ab-1.B es solucin factible

OPTIMIZACION

Ej.:

Max:

3x1 + 2x2

Sujeto a: 3x 1+ x2 9 x 1+ 2x2 8 x1 , x20 En forma estndar: Max: 3x1 + 2x2

Sujeto a: 3x 1+ x2 + x3= 9 x 1+ 2x2 + x4= 8 x1 , x2, x3, x40

C=

; B=

; A=

; X=

; (A, B)=

Rang (A) = 2; Rang (A, B) =2 P1= De: (P1P2)= Luego: Xb= Ab-1.B x1=2 , x2=3 De: (P1P3)= Luego: Xb= Ab-1.B x1=8 , x3=-16 = . = =Ab Ab-1= = posible solucin . = =Ab Ab-1= , P2= , P3= , P4=

no es solucin

OPTIMIZACION

De: (P1P4)= Luego: Xb= Ab-1.B x1=3 , x4=5 De: (P2P3)= Luego: Xb= Ab-1.B X2=4, x3=5 De: (P2P4)= Luego: Xb= Ab-1.B X2=9, x3=-10 = . = =Ab Ab-1= = posible solucin . = =Ab Ab-1= = . = =Ab Ab-1=

posible solucin

no es solucin

Entonces el mximo esta en: x1 =2 , x2=3 3(2)+2(3)=12

OPTIMIZACION

Mtodo Simplex: Simplex Tabular

Con miras a conocer la metodologa que se aplica en el Mtodo SIMPLEX, vamos a resolver el siguiente problema:
Maximizar Z= f(x, y)= 3x + 2y sujeto a: 2x + y 18 2x + 3y 42 3x + y 24 x 0,y 0

Se consideran las siguientes fases:

1. Convertir las desigualdades en igualdades

Se introduce una variable de holgura por cada una de las restricciones, para convertirlas en igualdades, resultando el sistema de ecuaciones lineales:
2x + y + h = 18 2x + 3y + s = 42 3x +y + d = 24

2. Igualar la funcin objetivo a cero - 3x - 2y + Z = 0

3. Escribir la tabla inicial simplex En las columnas aparecern todas las variables del problema y, en las filas, los coeficientes de las igualdades obtenidas, una fila para cada restriccin y la ltima fila con los coeficientes de la funcin objetivo: Tabla I . Iteracin n 1 Base Variable de decisin x y h 2 1 s 2 3 d 3 1

Variable de holgura h s d 1 0 0 0 1 0 0 0 1

Valores solucin 18 42 24

OPTIMIZACION

-3

-2

4. Encontrar la variable de decisin que entra en la base y la variable de holgura que sale de la base A. Para escoger la variable de decisin que entra en la base, nos fijamos en la ltima fila, la de los coeficientes de la funcin objetivo y escogemos la variable con el coeficiente negativo mayor (en valor absoluto). En nuestro caso, la variable x de coeficiente - 3. Si existiesen dos o ms coeficientes iguales que cumplan la condicin anterior, entonces se elige uno cualquiera de ellos. Si en la ltima fila no existiese ningn coeficiente negativo, significa que se ha alcanzado la solucin ptima. Por tanto, lo que va a determinar el final del proceso de aplicacin del mtodo del simplex, es que en la ltima fila no haya elementos negativos. La columna de la variable que entra en la base se llama columna pivote (En color azulado).

B. Para encontrar la variable de holgura que tiene que salir de la base, se divide cada trmino de la ltima columna (valores solucin) por el trmino correspondiente de la columna pivote, siempre que estos ltimos sean mayores que cero. En nuestro caso: 18/2 [=9] , 42/2 [=21] y 24/3 [=8] Si hubiese algn elemento menor o igual que cero no se hace dicho cociente. En el caso de que todos los elementos fuesen menores o iguales a cero, entonces tendramos una solucin no acotada y no se puede seguir. El trmino de la columna pivote que en la divisin anterior d lugar al menor cociente positivo, el 3, ya 8 es el menor, indica la fila de la variable de holgura que sale de la base, d. Esta fila se llama fila pivote (En color azulado). Si al calcular los cocientes, dos o ms son iguales, indica que cualquiera de las variables correspondientes pueden salir de la base.

C. En la interseccin de la fila pivote y columna pivote tenemos el elemento pivote operacional, 3.

OPTIMIZACION

5. Encontrar los coeficientes de la nueva tabla.

Los nuevos coeficientes de x se obtienen dividiendo todos los coeficientes de la fila d por el pivote operacional, 3, que es el que hay que convertir en 1. A continuacin mediante la reduccin gaussiana hacemos ceros los restantes trminos de su columna, con lo que obtenemos los nuevos coeficientes de las otras filas incluyendo los de la funcin objetivo Z. Tambin se puede hacer utilizando el siguiente esquema:
Fila del pivote: Nueva fila del pivote= (Vieja fila del pivote) : (Pivote) Resto de las filas: Nueva fila= (Vieja fila) - (Coeficiente de la vieja fila en la columna de la variable entrante) X (Nueva fila del pivote) Vemoslo con un ejemplo una vez calculada la fila del pivote (fila de x en la Tabla II): Vieja fila de s Coeficiente 2 3 - 2 2 x x = = Nueva fila de s 0 1 0 - - 2 2 2 x x x = = = 42 2 x =

Nueva fila pivote 1 1/3 0 0 1/3 8 0 7/3 0 1 -2/3 26

Tabla II . Iteracin n 2 Base Variable de decisin x y h 1/3 0 s 0 7/3 x 1 1/3 Z 0 -1

Variable de holgura h s d 1 0 -2/3 0 1 -2/3 0 0 1/3 0 0 1

Valores solucin 2 26 8 24

Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso:

OPTIMIZACION

A. La variable que entra en la base es y, por ser la variable que corresponde al coeficiente -1 B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 2:1/3 [=6], 26:7/3 [=78/7] y 8:1/3 [=8] y como el menor cociente positivo es 6, tenemos que la variable de holgura que sale es h. C. El elemento pivote, que ahora hay que hacer 1, es 1/3. Operando de forma anloga a la anterior obtenemos la tabla:
Tabla III . Iteracin n 3 Base Variable de decisin x y y 0 1 s 0 0 x 1 0 Z 0 0

Variable de holgura Valores solucin h s d 3 0 -2 6 4 -7 0 12 -1 0 1 6 3 0 -1 30

Como en los elementos de la ltima fila hay uno negativo, -1, significa que no hemos llegado todava a la solucin ptima. Hay que repetir el proceso: A. La variable que entra en la base es d, por ser la variable que corresponde al coeficiente -1

B. Para calcular la variable que sale, dividimos los trminos de la ltima columna entre los trminos correspondientes de la nueva columna pivote: 6/(-2) [=-3], 12/4 [=3], y 6:1 [=6] y como el menor cociente positivo es 3, tenemos que la variable de holgura que sale es s.

C. El elemento pivote, que ahora hay que hacer 1, es 4.

OPTIMIZACION

Obtenemos la tabla:
Tabla IV. Final del proceso Base Variable de decisin Variable de holgura x y h s d y 0 1 -1/2 0 0 d 0 0 -7/4 0 1 x 1 0 -3/4 0 0 Z 0 0 5/4 0 0

Valores solucin 12 3 3 33

Como todos los coeficientes de la fila de la funcin objetivo son positivos, hemos llegado a la solucin ptima. La solucin ptima viene dada por el valor de Z en la columna de los valores solucin, en nuestro caso: 33. En la misma columna se puede observar el vrtice donde se alcanza, observando las filas correspondientes a las variables de decisin que han entrado en la base: D (3,12)

APLICACIN: La NORI & LEET CO., una de las mayores productoras de acero del mundo occidental, est localizada en la ciudad de Steeltown y es la nica empresa grande de la localidad. Steeltown ha crecido y prosperado junto con la compaa, que de momento emplea a cerca de 50.000 residentes. La actitud de los residentes h a s i d o s i e m p r e f a v o r a b l e a la compaa; sin embargo, esta actitud est cambiando, ya que l a contaminacin no controlada del aire debida a los altos hornos de la planta est en camino de arruinar la apariencia de la ciudad y de poner en peligro la salud de sus habitantes. Como resultado, despus de una revuelta de los accioni stas se eligi un nuevo consejo directivo ms responsable. Los nuevos directores han decidido seguir polticas de responsabilidad social y realizar consultas con las autoridades de la ciudad y con grupos de ciudadanos para tomar medidas respecto a la contaminacin ambiental. Juntos han establecido estndares rigurosos de calidad del aire para la ciudad de Steeltown. Los tres tipos principales de contaminantes son partculas de materia, xidos de azufre e hidrocarburos. Los nuevos estndares requieren que la compaa reduzca su emisin anual de estos contaminantes en las siguientes cantidades presentadas en la tabla N I. E041l consejo directivo ha dado instrucciones a la gerencia para que el personal de ingeniera determine como lograr estas reducciones en la forma ms econmica. La fabricacin de acero tiene 2 fuentes principales de contaminacin, los altos hornos para fabricar el arrabio y los hornos de hogar abierto para transformar el hierro en acero. En ambos casos, los ingenieros determinaron que los mtodos de abatimiento ms efectivos son: 1) aumentar la altura de las chimeneas,2) usar filtros (incluyendo trampas de gas) en las chimeneas y 3) incluir limpiadores de
OPTIMIZACION

alto grado en los combustibles de los hornos. Todos estos mtodos tienen limitaciones tecnolgicas en cuanto al nivel en que pueden usarse (por ejemplo, un incremento factible mximo en la altura de las chimeneas), pero t a m b i n existe una gran flexibilidad para usar el mtodo en cualquier nivel f r a c c i o n a r i o d e s u l m i t e tecnolgico.

La tabla II se muestra la cantidad de emisin (en millones de libras anuales) que se puede eliminar de cada tipo de horno usando el mtodo de abatimiento al mximo lmite tecnolgico. Para fines de anlisis, se supone que cada mtodo se puede usar a un nivel menor para lograr cualquier fraccin en las reducciones de las tasas de emisin mostradas en la tabla. Adems, para cualquiera de los hornos, el uso simultneo de otro mtodo no afecta de manera significativa la reduccin de emisiones que alcanza cada uno de ellos.

Tabla NO III Costo anuales totales (millones de dlares)

Altos hornos Partculas xidos de azufre Hidrocarburos 8 7 11

Hornos de hogar abierto 10 6 9

Despus de obtener estos datos, qued claro que ningn mtodo por si solo podra lograr las reducciones requeridas. Por otro lado, la combinacin de los tres mtodos a toda su capacidad (lo que sera demasiado caro si se quiere que los productos sigan siendo competitivos en precio) resulta mucho mayor de lo que se pide. Por todo esto, la conclusin de los ingenieros fue que tendran que usar alguna combinacin de mtodos, tal vez con capacidades fraccionarias, con base en sus costos relativos. Lo que es ms, debido a las
OPTIMIZACION

diferencias los altos hornos y los hornos de hogar abierto, es probable que la combinacin sea diferente para cada tipo de horno. Se llev a cabo un anlisis para estimar el costo total anual de cada mtodo de abatimiento. El costo total a n u a l d e u n m t o d o i n c l u ye e l a u m e n t o e n l o s g a s t o s d e o p e r a c i n y m a n t e n i m i e n t o , a l i g u a l q u e l a reduccin en los ingresos debida a cualquier prdida de eficiencia en el proceso de produccin que pudiera resultar por el uso del correspondiente mtodo. El otro costo importante que se debe tener en cuenta es el capital inicial requerido para instalar el mtodo. Para hacer que este costo nico fuera conmensurable con los costos anuales, se us el valor del dinero en el tiempo para calcular el gasto anual (sobre el tiempo esperado de vida del mtodo) que ser equivalente a este costo fijo inicial. El anlisis proporcion estimaciones de los costos anuales totales (en millones de dlares) dados en la tabla N III, en que se incurren al usar los mtodos a toda su capacidad de abatimiento. Tambin se determin que el costo de un mtodo q ue se utiliza a un nivel menor es esencialmente proporcional a la capacidad fraccional de la capacidad de aba timiento dada en la tabla N III que se logra. Entonces, para cualquier fraccin lograda, el costo anual seria en esencia la fraccin de la cantidad correspondiente en la tabla N II. En este momento, todo est listo para desarrollar el marco general del plan de la compaa para disminuir la contaminacin. Definicin de variables de decisin: Xij = fraccin por ao del mtodo i (1, 2, 3) utilizado en el tipo de horno j (1, 2) i (1: Partculas, 2: xidos de Azufre, 3: Hidrocarburos) j (1: Altos hornos, 2: Hornos de hogar abierto)

Funcin objetivo: Min Sujeto a:

8X11 + 10X12 + 7X21 + 6X22 + 11X31 + 9X32 12X11 + 9X12 + 25X21 + 20X22 + 17X31 + 13X3260 35X11 + 42X12 + 18X21 + 31X22 + 56X31 + 49X32150 37X11 + 53X12 + 28X21 + 24X22 + 19X31 + 20X32125 X11 + X12 + X21 + X22 + X41 + X321 Xij0

OPTIMIZACION

Con la ayuda del programa Lingo se tiene que:

Se considero que: x1=X11; x2=X12; x3=X21; x4=X22; x5=X31; x6=X32

OPTIMIZACION

Conclusiones: Se peda minimizar los costos de aplicar mtodos para reducir la contaminacin producida por partculas de materia, oxido de azufre e hidrocarburos, en el cual se obtiene que: Se gastara 29.8 millones de dlares, aplicando 0.4 aos el mtodo de chimeneas ms altas para las emisiones de partculas de materia de los hornos de hogar abierto y 4.2 aos el mtodo de colocar filtros en los hornos de hogar abierto. Aportes: As como se utilizo el programa LINGO, tambin una variedad de programas matemticos para la resolucin de problemas de Programacin Lineal: TABLEAU (http://www.slideshare.net/alexandergts/programacin-lineal-2886624) SOLVER de EXCEL (http://www.slideshare.net/alexandergts/programacin-lineal-2886624) LINDO (http://mat.uab.es/~mzakyn/lunes_30_10_06.pdf), (http://www.investigacion-operaciones.com/Software/Winqsb.zip) WinQSB (http://www.investigacion-operaciones.com/Software/Manual%20WinQSB.pdf) Prglinhttp (http://www.investigacion-operaciones.com/Software/prglin.exe) InvOp (http://www.investigacion-operaciones.com/Software/invop.zip)

OPTIMIZACION